基于神经网络下的车辆自动控制系统决策算法分析研究

晋军

（陕西汽车控股集团有限公司 技术中心，西安 710200）

引言

车辆自动控制系统是实现车辆稳定性控制的重要装置，在进行车辆行驶稳定性控制过程中，受到车辆行驶的环境因素以及车辆发动机抖动等因素的影响，导致车辆的稳定性不好，需要进行车辆自动控制系统决策设计，结合车辆控制的参数优化寻优进行车辆自动控制系统决策睡，提高车辆控制的稳定性，研究车辆自动控制系统决策算法在车辆稳定控制中具有重要意义[1]，相关的车辆自动控制系统决策算法研究受到人们的极大关注。

对车辆自动控制系统决策算法设计是建立在对车辆运行参数的自动寻优基础上，建立自适应的反馈跟踪融合控制模型[2]，采用参数量化融合跟踪识别方法进行车辆自动控制系统决策，传统方法中，对车辆自动控制系统决策算法主要有空间增益算法、模糊PID控制算法和能量控制算法等[3]，传统方法进行车辆自动控制系统决策存在计算开销较大和稳定性不好的问题。对此，本文提出基于神经网络下的车辆自动控制系统决策算法。构建车辆自动控制系统的行驶动力学和运动学模型，以相位偏移和惯性转矩为约束参量构建车辆自动控制系统模糊反馈误差跟踪融合控制律，采用模糊参数融合和自适应参数调节方法进行车辆自动控制系统决策和模型预测，采用变结构神经网络控制的方法进行车辆自动控制系统的模糊决策构造，建立车辆自动控制系统决策的约束参数优化模型，采用自适应模糊跟踪融合识别方法进行车辆自动控制系统决策的参数寻优，实现车辆自动控制系统的优化决策控制。最后进行仿真测试分析，得出有效性结论。

1 车辆自动控制系统的被控对象及约束参量

1.1 车辆自动控制系统的被控对象

为了实现基于神经网络下的车辆自动控制系统决策算法优化设计，首先构建车辆自动控制系统决策的被控对象模型，采用纵向运动数学模型优化方法建立车辆自动控制系统的运动学模型和动力学模型，采用模糊惯性融合跟踪控制方法，进行车辆自动控制系统决策中被控参数分析[4]，通过模糊寻优控制方法，进行车辆自动控制和参数寻优，得到控制系统的总体结构如图1所示。

根据图1所示的车辆控制系统的总体设计构架，采用二维伺服系统控制模型[5]，构建车辆自动控制的运动方程、惯性导航动力学方程，分别描述为：

用李雅普诺夫函数理论进行车辆自动控制过程中的参数自适应调节，建立车辆自动控制的模糊运动方程组，当车辆自动控制系统质心加速度在铅垂面内，设计滑动模态的惯性转矩控制模型进行自适应寻优[6]，得到车辆自动控制的纵向运动数学模型描述为：

式中：

θ—车辆自动控制系统质心的扰动方位角，表示车辆自动控制法向量的夹角；

—滑动模态的俯仰角，车辆自动控制系统的纵轴（Ox1轴）与水平面（Oxy平面）间的夹角；

α—车辆的平稳行驶的小扰动偏移角；

—自适应跟踪速度；

—能量优化控制的误差；

m—车辆自动控制系统的质量；

X,Y—作用在车辆自动行驶过程中的涡流侧向力；

Mz—俯仰力矩；

图1 控制系统的总体结构模型

Jz—车辆自动控制系统绕体坐标系各轴的转动惯量。

根据上述被控对象描述，进行车辆优化控制。

1.2 控制约束参量分析

以相位偏移和惯性转矩为约束参量构建车辆自动控制系统模糊反馈误差跟踪融合控制律，采用模糊参数融合和自适应参数调节方法进行车辆自动控制系统决策和模型预测[7]，模糊参数融合状态下的运动学方程描述如下：

车辆控制的自动跟踪控制运动学模型：

车辆控制的偏航参数模型：

车辆自动控制的模糊决策模型：

根据上述构建的车辆自动控制的纵向运动模进行参数寻优，根据车辆发动机电气比例阀的自身特性，结合车辆自动控制的扰动性进行参数跟踪，根据系统的位移量进行参数寻优[8]，得到车辆自适应跟踪控制模型描述为：

式中：

V—系统融合跟踪的非线性特征量；

m—车辆自身的质量；

h—惯性参数。

以此为控制约束变量，进行扰动性控制，提高车辆控制的稳定性。

2 车辆自动控制系统决策算法优化

2.1 神经网络控制设计

采用模糊参数融合和自适应参数调节方法进行车辆自动控制系统决策和模型预测，采用变结构神经网络控制的方法进行车辆自动控制系统的模糊决策构造，变结构神经网络控制模型如图2所示。

变结构滑模的扩张状态观测变量为VNa、Vk和VL，在神经网络控制模型的输入层，分别输入车辆自动控制系统质心的速度、标准平衡系数和惯性误差[9]，结合平衡因子进行车辆自动控制和惯性调节，用αm、βm、αh、βh、αn和βn分别表示控制系统V的约束状态参量，其定义如下：

根据上述定义，结合车辆自动控制系统的平衡状态模型，采用神经网络控制方法，得到自适应加权控制函数为：

通过非线性自适应控制方法，提高车辆自动控制系统决策优化能力。

2.2 控制决策算法实现

建立车辆自动控制系统决策的约束参数优化模型，采用自适应模糊跟踪融合识别方法进行车辆自动控制系统决策的参数寻优，选择自适应模糊跟踪控制律，进行建立车辆自动控制的参数寻优[10]，得到车辆自动控制的Lyapunov函数为：

采用3阶非线性寻优方法，进行Lyapunov函数的自适应寻优，输出为：

图2 变结构神经网络控制模型

变结构神经网络控制的模糊参数融合输出为：

采用自适应模糊跟踪融合识别方法进行车辆自动控制系统决策的参数寻优，得到优化控制自适应律：

控制误差满足

综上分析，实现行车辆自动控制系统决策算法优设计。

3 仿真实验与结果分析

通过仿真测试验证本文方法在实现车辆自动控制和模糊决策中的应用性能，进行实验分析，假设车辆的行驶速度为80 km/h，跟踪误差控制在0.25 m，其它控制参数描述见表1。

根据上述仿真环境和参量设定，采用自适应模糊跟踪融合识别方法进行车辆自动控制系统决策的参数寻优，得到控制约束参数分布如图3所示。

根据图3的控制参数分布，进行车辆自动控制系统决策，得到控制跟踪曲线如图4所示。

分析图4得知，本文方法进行车辆自动控制系统决策的自适应跟踪性能较好，控制的鲁棒性较强。

表1 车辆自动控制的参数值

图3 控制参数分布

图4 控制跟踪曲线

4 结语

本文提出基于神经网络下的车辆自动控制系统决策算法。构建车辆自动控制系统的行驶动力学和运动学模型，以相位偏移和惯性转矩为约束参量构建车辆自动控制系统模糊反馈误差跟踪融合控制律，采用模糊参数融合和自适应参数调节方法进行车辆自动控制系统决策和模型预测，建立车辆自动控制系统决策的约束参数优化模型，采用自适应模糊跟踪融合识别方法进行车辆自动控制系统决策的参数寻优，实现控制算法优化。分析得知，本文方法进行车辆自动控制系统决策控制的自适应性性较好，控制输出的鲁棒性较强，车辆稳定跟踪性能较好。